Машинное обучение на матфаке 2018/2019 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Домашние задания)
Строка 108: Строка 108:
  
 
16.10. В понедельник, 22 октября в 10:30 состоится консультация.
 
16.10. В понедельник, 22 октября в 10:30 состоится консультация.
 +
 +
18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).
  
 
== Полезные материалы ==
 
== Полезные материалы ==

Версия 12:14, 18 октября 2018

О курсе

Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: Щуров Илья Валерьевич

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

Полезные ссылки

Семинары

Группа Преподаватель Учебный ассистент Расписание Инвайт в Anytask
1 Евгения Ческидова Константин Ваниев вторник, 12:10-13:30, ауд. 318 ZfhBpf1
2 Евгений Ковалев Соня Дымченко суббота, 12:00-13:20, ауд. 318 5jOWWt9

Система оценок

Формула оценки

Результирующая оценка по дисциплине рассчитывается по формуле:

Oитог = 0.7 * Oнакопл + 0.3 * Oэкз

Накопленная оценка рассчитывается по формуле:

Oнакопл = 0.58 * Oдз + 0.42 * OКР

Лекции

Дата Название Материалы
1 4 сентября Введение в ml, постановки задач, виды данных
2 11 сентября Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки конспект
3 18 сентября Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция конспект
4 25 сентября Шум, смещение и разброс конспект
5 2 октября Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки конспект
6 9 октября Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков конспект

Семинары

Дата Название Материалы
1 8/10 сентября Введение в numpy, pandas, matplotlib Тетрадка и данные Задачи
2 15/17 сентября Статистические оценки, проверка гипотез Все файлы: (Google Drive, Github), тетрадка
3 22/24 сентября метод k ближайших соседей (k-NN), кросс-валидация Все файлы: (Google Drive, Github), тетрадка
4 29/1 сент/окт метод k ближайших соседей, часть 2 Все файлы: (Google Drive, Github)
5 6/8 октября линейная регрессия, градиентный спуск Все файлы: (Google Drive, Github)
6 13/15 октября отбор признаков, регуляризация Все файлы: (Google Drive}

Как корректно скачать файл с расширением .ipynb с GitHub?

Домашние задания

Новости курса

24.09. Появилось ДЗ№1!

10.10. Появилось ДЗ№2!

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. Программа контрольной

16.10. В понедельник, 22 октября в 10:30 состоится консультация.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

Полезные материалы

Базовые учебники:

  1. Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
  2. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.

Дополнительная литература:

  1. Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
  2. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
  3. Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  4. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.